Выявление факторов роста водорослей в проекте переброски воды с помощью ИИ
Точное и надежное определение факторов, способствующих росту водорослей, имеет решающее значение для устойчивого использования и научного управления пресноводными ресурсами. По мере перехода научных исследований от работы с малыми наборами данных к большим, недостатки традиционного машинного обучения становятся очевиднее, а глубокое обучение, хорошо справляющееся с обработкой больших объемов данных, привлекает все больше внимания.
Хотя глубокое обучение иногда применялось для прогнозирования временных рядов хлорофилла-а (Chl-a), его редко использовали для выявления важных факторов роста водорослей.
Чтобы восполнить этот пробел, международная команда исследователей из Китая, Германии и Нидерландов разработала модель на основе глубокого обучения — Transformer, названную Bloomformer-1. Она предназначена для сквозного (end-to-end) выявления движущих факторов роста водорослей.
«Модели глубокого обучения обладают меньшей операционной прозрачностью по сравнению с традиционным машинным обучением, но демонстрируют значительные преимущества в производительности, — сказал Цзин Цянь, первый автор статьи. — Разработка Bloomformer-1 направлена на создание ситуации взаимной выгоды с точки зрения интерпретируемости и производительности, позволяя прозрачно и точно определять движущие факторы роста водорослей».
Цянь, докторант Карлсруэского технологического института в Германии, провел это исследование как совместно обучаемый докторант в Институте гидробиологии в Китае.
В качестве объекта исследования для демонстрации превосходной производительности Bloomformer-1 был выбран Средний маршрут проекта переброски воды с юга на север (MRP) — крупный национальный проект Китая. Модель сравнивали с четырьмя широко используемыми традиционными моделями машинного обучения: регрессией на экстра-деревьях (ETR), градиентным бустингом на деревьях решений (GBRT), регрессией на опорных векторах (SVR) и множественной линейной регрессией (MLR). Bloomformer-1 показала самый высокий R² (0.80–0.94) и самую низкую RMSE (0.22–0.43 мкг/л).
«Bloomformer-1 использует механизм многоголовой само-внимательности (multi-head-self-attention), который сравнивает каждый токен во входной последовательности с другими токенами для сбора и изучения динамической контекстной информации, что позволяет тщательно анализировать все полевые данные отбора проб. Это одна из причин ее превосходной производительности», — сказал соавтор Стефан Норра из Потсдамского университета.
Результаты исследования, опубликованные в журнале Water Biology & Security, показали, что общий фосфор (TP) был наиболее значимым фактором, влияющим на MRP, особенно в секции Хэнань, в то время как общий азот (TN) оказывал наибольшее влияние на рост водорослей в секции Хэбэй.
«Контроль и сокращение содержания фосфора — важная стратегия для сдерживания роста водорослей и поддержания стабильного качества воды в MRP, в то время как контроль азота в регионе Хэбэй также заслуживает внимания, — сказал Юнхун Би из Института гидробиологии Китайской академии наук, являющийся автором-корреспондентом исследования. — Кроме того, важной задачей на будущее станет продвижение и применение Bloomformer-1 в других водоемах».